基于并联型组合模型的平菇产量预测方法研究
这是一篇关于GM(1,1),BP神经网络,并联型组合预测模型,平菇,产量预测的论文, 主要内容为平菇是我国栽培面积最广、产量最高的食用菌。随着平菇生产逐步工厂化,平菇种植规模也在逐年扩大,平菇产量的高效预测对于制定平菇生长期间的精准管理决策具有重要意义。本文针对平菇生产影响因素多、产量预测难的问题,面向平菇工厂化生产产量预测的实际需求,根据平菇生长各影响因素指标的特征,提出了基于灰色预测和BP神经网络并联型组合模型的平菇产量预测方法,设计并实现了平菇产量预测系统。主要研究内容与结果如下:(1)分析了平菇产量影响因素本文选取了山东某公司2019年—2022年平菇产量和生长过程中的数据,通过查询相关文献资料、咨询平菇生产技术人员,从平菇基质配比、出菇环境参数、人为控制三个角度出发,确定了影响平菇产量的16个因素:菇棚温度、菇棚湿度、光照强度、二氧化碳浓度、菌棒p H值、菌棒粗木屑比例、菌棒细木屑比例、菌棒玉米芯颗粒比例、菌棒豆秸粉比例、菌棒豆粕比例、菌棒玉米粒比例、菌棒麦麸比例、菌棒轻质碳酸钙比例、菌棒石灰比例、菌包摆放层数、菌棒摆放距离。通过灰色关联度分析法剔除了菌包摆放层数、菌棒摆放距离这两个关联度较低的影响因素,最终选择14个影响因素作为模型的输入,为平菇产量预测模型的构建提供了数据支撑。(2)构建了平菇产量预测模型通过分析平菇产量数据集,结合平菇生长各影响因素指标的特征提出了一种基于GM(1,1)和BP神经网络并联型的平菇产量预测模型。首先选择了GM(1,1)模型、BP神经网络这两个单一的模型进行预测,经过对模型的训练,得到两个模型的平均相对误差分别为4.73%和3.74%;然后对两个模型进行串联和并联的方法进行训练;最后使用平均相对误差(MRE)和平均绝对误差(MAE)等指标来评价模型的性能,结果表明,基于并联型组合预测模型的平菇产量预测精度达到了97.9%;平均相对误差为3.07%、平均绝对误差为5540.1,较其他两个单一模型和串联型组合预测模型精度高且具有稳定性。(3)设计并实现了平菇产量预测系统利用前后端分离技术,基于Spring Boot+Vue+Mysql+Redis框架,建立了平菇产量信息数据库,研发了平菇产量预测系统。系统主要功能模块有基础信息管理、平菇生长环境监测、历史数据查询、实验数据录入、平菇产量预测等,实现了平菇生长环境数据实时监测、平菇产量精准预测,可为平菇工厂化生产产量影响指标的调整提供理论依据。
基于大数据的水产养殖产量分析与预测
这是一篇关于产量预测,大数据,BP神经网络,水产养殖的论文, 主要内容为水产养殖业在我国拥有着悠久的发展历史。21世纪,随着高新技术的不断发展,水产养殖业正面临着一次彻底的技术变革,由以经验为主的传统养殖业向以技术为依托的现代养殖方式转变。在行业的转变过程中,传统养殖业存在的问题慢慢的显现出来。由于物联网相关产品体系的不断发展,传统的数据采集、存储及养殖方式渐渐的不适用于行业的发展,养殖数据的采集、融合、存储和分析问题慢慢浮出水面。为了帮助养殖从业人员和科研人员解决海量养殖数据的存储和分析问题,本文构建了基于大数据技术的水产养殖产量预测分析平台,该平台解决了水产养殖数据的采集、存储、预测、分析问题。并利用大数据的Map Reduce编程模型来进行算法的并行化设计,利用平台内的数据,训练了有关水产养殖的多要素预测分析模型,辅助养殖从业人员和科研人员进行科学的养殖环境分析和产量预测的评估,减少养殖过程的不必要损耗,提高水产养殖业的信息化水平。本文中搭建的水产养殖大数据产量预测分析平台采用的是Apache Hadoop大数据框架中的相关组件,并结合Spring Boot、Mybatis等相关开发技术进行平台开发。平台主要包含数据采集层、存储层、分析层及应用层四层平台架构。在数据分析层中,设计了基于Map Reduce的并行化SA-BP算法来处理养殖要素及产量之间的预测分析。该算法首先采用多层前缀反向传播神经网络(BP神经网络)算法来分析水产养殖要素之间的深层次关系,在此基础上,通过训练养殖数据,形成养殖产量影响因素之间的分析模型;为了使模型的训练时间更加快速,结果更加精确,利用改进的模拟退火算法(SA)来优化BP算法,当陷入局部的极小值时,调用有记忆功能的模拟退火算法跳出无意义的迭代过程,退火至一个新的值进行网络训练。针对海量养殖数据的情况下,训练过程还是相对较慢,结果也相对较差,为了提高训练速度和精度,引入了Map Reduce的并行化计算思想,利用其对BP神经网络进行分布式并行化训练,进一步降低了网络收敛的速度,在异常庞大的养殖数据分析中表现优良。通过训练该算法,产生了养殖要素之间的并行化评价模型,并以山东省历年的南美白对虾产量为训练数据建立实体模型并集成到平台结构中。最终实现了水产养殖大数据产量预测分析平台的建设以及平台智能化分析模型的构建,实现了水产养殖的产业化大数据平台构建,对水产养殖业的智能化发展提供了行业导向和技术支撑。
基于大数据的水产养殖产量分析与预测
这是一篇关于产量预测,大数据,BP神经网络,水产养殖的论文, 主要内容为水产养殖业在我国拥有着悠久的发展历史。21世纪,随着高新技术的不断发展,水产养殖业正面临着一次彻底的技术变革,由以经验为主的传统养殖业向以技术为依托的现代养殖方式转变。在行业的转变过程中,传统养殖业存在的问题慢慢的显现出来。由于物联网相关产品体系的不断发展,传统的数据采集、存储及养殖方式渐渐的不适用于行业的发展,养殖数据的采集、融合、存储和分析问题慢慢浮出水面。为了帮助养殖从业人员和科研人员解决海量养殖数据的存储和分析问题,本文构建了基于大数据技术的水产养殖产量预测分析平台,该平台解决了水产养殖数据的采集、存储、预测、分析问题。并利用大数据的Map Reduce编程模型来进行算法的并行化设计,利用平台内的数据,训练了有关水产养殖的多要素预测分析模型,辅助养殖从业人员和科研人员进行科学的养殖环境分析和产量预测的评估,减少养殖过程的不必要损耗,提高水产养殖业的信息化水平。本文中搭建的水产养殖大数据产量预测分析平台采用的是Apache Hadoop大数据框架中的相关组件,并结合Spring Boot、Mybatis等相关开发技术进行平台开发。平台主要包含数据采集层、存储层、分析层及应用层四层平台架构。在数据分析层中,设计了基于Map Reduce的并行化SA-BP算法来处理养殖要素及产量之间的预测分析。该算法首先采用多层前缀反向传播神经网络(BP神经网络)算法来分析水产养殖要素之间的深层次关系,在此基础上,通过训练养殖数据,形成养殖产量影响因素之间的分析模型;为了使模型的训练时间更加快速,结果更加精确,利用改进的模拟退火算法(SA)来优化BP算法,当陷入局部的极小值时,调用有记忆功能的模拟退火算法跳出无意义的迭代过程,退火至一个新的值进行网络训练。针对海量养殖数据的情况下,训练过程还是相对较慢,结果也相对较差,为了提高训练速度和精度,引入了Map Reduce的并行化计算思想,利用其对BP神经网络进行分布式并行化训练,进一步降低了网络收敛的速度,在异常庞大的养殖数据分析中表现优良。通过训练该算法,产生了养殖要素之间的并行化评价模型,并以山东省历年的南美白对虾产量为训练数据建立实体模型并集成到平台结构中。最终实现了水产养殖大数据产量预测分析平台的建设以及平台智能化分析模型的构建,实现了水产养殖的产业化大数据平台构建,对水产养殖业的智能化发展提供了行业导向和技术支撑。
基于大数据的水产养殖产量分析与预测
这是一篇关于产量预测,大数据,BP神经网络,水产养殖的论文, 主要内容为水产养殖业在我国拥有着悠久的发展历史。21世纪,随着高新技术的不断发展,水产养殖业正面临着一次彻底的技术变革,由以经验为主的传统养殖业向以技术为依托的现代养殖方式转变。在行业的转变过程中,传统养殖业存在的问题慢慢的显现出来。由于物联网相关产品体系的不断发展,传统的数据采集、存储及养殖方式渐渐的不适用于行业的发展,养殖数据的采集、融合、存储和分析问题慢慢浮出水面。为了帮助养殖从业人员和科研人员解决海量养殖数据的存储和分析问题,本文构建了基于大数据技术的水产养殖产量预测分析平台,该平台解决了水产养殖数据的采集、存储、预测、分析问题。并利用大数据的Map Reduce编程模型来进行算法的并行化设计,利用平台内的数据,训练了有关水产养殖的多要素预测分析模型,辅助养殖从业人员和科研人员进行科学的养殖环境分析和产量预测的评估,减少养殖过程的不必要损耗,提高水产养殖业的信息化水平。本文中搭建的水产养殖大数据产量预测分析平台采用的是Apache Hadoop大数据框架中的相关组件,并结合Spring Boot、Mybatis等相关开发技术进行平台开发。平台主要包含数据采集层、存储层、分析层及应用层四层平台架构。在数据分析层中,设计了基于Map Reduce的并行化SA-BP算法来处理养殖要素及产量之间的预测分析。该算法首先采用多层前缀反向传播神经网络(BP神经网络)算法来分析水产养殖要素之间的深层次关系,在此基础上,通过训练养殖数据,形成养殖产量影响因素之间的分析模型;为了使模型的训练时间更加快速,结果更加精确,利用改进的模拟退火算法(SA)来优化BP算法,当陷入局部的极小值时,调用有记忆功能的模拟退火算法跳出无意义的迭代过程,退火至一个新的值进行网络训练。针对海量养殖数据的情况下,训练过程还是相对较慢,结果也相对较差,为了提高训练速度和精度,引入了Map Reduce的并行化计算思想,利用其对BP神经网络进行分布式并行化训练,进一步降低了网络收敛的速度,在异常庞大的养殖数据分析中表现优良。通过训练该算法,产生了养殖要素之间的并行化评价模型,并以山东省历年的南美白对虾产量为训练数据建立实体模型并集成到平台结构中。最终实现了水产养殖大数据产量预测分析平台的建设以及平台智能化分析模型的构建,实现了水产养殖的产业化大数据平台构建,对水产养殖业的智能化发展提供了行业导向和技术支撑。
基于并联型组合模型的平菇产量预测方法研究
这是一篇关于GM(1,1),BP神经网络,并联型组合预测模型,平菇,产量预测的论文, 主要内容为平菇是我国栽培面积最广、产量最高的食用菌。随着平菇生产逐步工厂化,平菇种植规模也在逐年扩大,平菇产量的高效预测对于制定平菇生长期间的精准管理决策具有重要意义。本文针对平菇生产影响因素多、产量预测难的问题,面向平菇工厂化生产产量预测的实际需求,根据平菇生长各影响因素指标的特征,提出了基于灰色预测和BP神经网络并联型组合模型的平菇产量预测方法,设计并实现了平菇产量预测系统。主要研究内容与结果如下:(1)分析了平菇产量影响因素本文选取了山东某公司2019年—2022年平菇产量和生长过程中的数据,通过查询相关文献资料、咨询平菇生产技术人员,从平菇基质配比、出菇环境参数、人为控制三个角度出发,确定了影响平菇产量的16个因素:菇棚温度、菇棚湿度、光照强度、二氧化碳浓度、菌棒p H值、菌棒粗木屑比例、菌棒细木屑比例、菌棒玉米芯颗粒比例、菌棒豆秸粉比例、菌棒豆粕比例、菌棒玉米粒比例、菌棒麦麸比例、菌棒轻质碳酸钙比例、菌棒石灰比例、菌包摆放层数、菌棒摆放距离。通过灰色关联度分析法剔除了菌包摆放层数、菌棒摆放距离这两个关联度较低的影响因素,最终选择14个影响因素作为模型的输入,为平菇产量预测模型的构建提供了数据支撑。(2)构建了平菇产量预测模型通过分析平菇产量数据集,结合平菇生长各影响因素指标的特征提出了一种基于GM(1,1)和BP神经网络并联型的平菇产量预测模型。首先选择了GM(1,1)模型、BP神经网络这两个单一的模型进行预测,经过对模型的训练,得到两个模型的平均相对误差分别为4.73%和3.74%;然后对两个模型进行串联和并联的方法进行训练;最后使用平均相对误差(MRE)和平均绝对误差(MAE)等指标来评价模型的性能,结果表明,基于并联型组合预测模型的平菇产量预测精度达到了97.9%;平均相对误差为3.07%、平均绝对误差为5540.1,较其他两个单一模型和串联型组合预测模型精度高且具有稳定性。(3)设计并实现了平菇产量预测系统利用前后端分离技术,基于Spring Boot+Vue+Mysql+Redis框架,建立了平菇产量信息数据库,研发了平菇产量预测系统。系统主要功能模块有基础信息管理、平菇生长环境监测、历史数据查询、实验数据录入、平菇产量预测等,实现了平菇生长环境数据实时监测、平菇产量精准预测,可为平菇工厂化生产产量影响指标的调整提供理论依据。
基于大数据的水产养殖产量分析与预测
这是一篇关于产量预测,大数据,BP神经网络,水产养殖的论文, 主要内容为水产养殖业在我国拥有着悠久的发展历史。21世纪,随着高新技术的不断发展,水产养殖业正面临着一次彻底的技术变革,由以经验为主的传统养殖业向以技术为依托的现代养殖方式转变。在行业的转变过程中,传统养殖业存在的问题慢慢的显现出来。由于物联网相关产品体系的不断发展,传统的数据采集、存储及养殖方式渐渐的不适用于行业的发展,养殖数据的采集、融合、存储和分析问题慢慢浮出水面。为了帮助养殖从业人员和科研人员解决海量养殖数据的存储和分析问题,本文构建了基于大数据技术的水产养殖产量预测分析平台,该平台解决了水产养殖数据的采集、存储、预测、分析问题。并利用大数据的Map Reduce编程模型来进行算法的并行化设计,利用平台内的数据,训练了有关水产养殖的多要素预测分析模型,辅助养殖从业人员和科研人员进行科学的养殖环境分析和产量预测的评估,减少养殖过程的不必要损耗,提高水产养殖业的信息化水平。本文中搭建的水产养殖大数据产量预测分析平台采用的是Apache Hadoop大数据框架中的相关组件,并结合Spring Boot、Mybatis等相关开发技术进行平台开发。平台主要包含数据采集层、存储层、分析层及应用层四层平台架构。在数据分析层中,设计了基于Map Reduce的并行化SA-BP算法来处理养殖要素及产量之间的预测分析。该算法首先采用多层前缀反向传播神经网络(BP神经网络)算法来分析水产养殖要素之间的深层次关系,在此基础上,通过训练养殖数据,形成养殖产量影响因素之间的分析模型;为了使模型的训练时间更加快速,结果更加精确,利用改进的模拟退火算法(SA)来优化BP算法,当陷入局部的极小值时,调用有记忆功能的模拟退火算法跳出无意义的迭代过程,退火至一个新的值进行网络训练。针对海量养殖数据的情况下,训练过程还是相对较慢,结果也相对较差,为了提高训练速度和精度,引入了Map Reduce的并行化计算思想,利用其对BP神经网络进行分布式并行化训练,进一步降低了网络收敛的速度,在异常庞大的养殖数据分析中表现优良。通过训练该算法,产生了养殖要素之间的并行化评价模型,并以山东省历年的南美白对虾产量为训练数据建立实体模型并集成到平台结构中。最终实现了水产养殖大数据产量预测分析平台的建设以及平台智能化分析模型的构建,实现了水产养殖的产业化大数据平台构建,对水产养殖业的智能化发展提供了行业导向和技术支撑。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码小屋 ，原文地址：https://m.bishedaima.com/lunwen/46266.html
